GitHub 的資源文章介紹了生成式 AI（Generative AI，簡稱 GenAI），也就是能根據既有資料「創造」出全新文字、程式碼、圖片、音訊與影片的 AI 技術。文章指出，這和傳統著重分析與預測的 AI 不同，GenAI 靠深度學習與神經網路學習資料中的模式，再產生原創的內容，應用範圍從聊天機器人到產品設計草圖都有。
文章把建立 GenAI 模型拆成四個階段：先在大量書籍、程式碼、圖片等資料上訓練模型，讓它學會語法與邏輯關係；接著用特定領域的資料做微調，例如法律文件或技術手冊；使用者輸入提示後模型產生回應；最後再透過人類回饋的強化學習持續改善輸出品質。文中也提到，模型的運作原理其實是根據上下文「預測下一個最可能出現的詞彙或像素」，而不是隨機產生內容。
文章也整理了不同任務背後常見的模型架構，例如文字生成多用 Transformer（像 GPT 系列），圖像生成常用擴散模型與 GAN，音樂生成則偏向 RNN。同時文章也誠實列出風險，包括模型可能記住訓練資料中的敏感資訊、產生似是而非的錯誤內容、放大訓練資料裡的偏見，以及版權爭議等問題，這些正是目前業界持續在討論的重點。
對正在學程式或對 AI 有興趣的孩子與家長來說，這篇文章是認識生成式 AI 運作方式很好的入門整理，能幫助理解為什麼聊天機器人這類工具會這樣回答問題。文章也提醒，訓練一個生成式模型需要大量資料、算力與專業人才，成本動輒數萬到數十萬美元，這也說明了為什麼學習使用這些工具、而不是從零打造模型，是目前比較實際的起點。
AI生成式 AI機器學習